水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)裝備集群的故障診斷方法及系統(tǒng)的制作方法
【技術領域】
[0001] 本發(fā)明涉及設備故障診斷技術領域，尤其是涉及一種水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)裝備集群的 故障診斷方法和一種水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)裝備集群的故障診斷系統(tǒng)。
【背景技術】
[0002] 水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)裝備集群是集成包括采集器、傳感器、通訊模塊、供電模塊、小無 線、控制器模塊、顯示模塊等的復雜電子裝備，部署在待檢測的水產(chǎn)養(yǎng)殖場所，用于檢測水 質(zhì)參數(shù)（包括溶解氧、亞硝胺、PH、鹽都度、電導率、濁度、水溫等參數(shù)），實現(xiàn)檢測水產(chǎn)養(yǎng)殖 的信息化、自動化、產(chǎn)品質(zhì)量控制及溯源等。
[0003]由于水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)裝備集群的安裝地點多位于存在污染的水體或無保護的空 間位置，因此水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)裝備集群的模塊（例如采集器、傳感器、小無線等）經(jīng)常受到 損傷而使得裝備發(fā)生故障。目前存在的問題是，一旦出現(xiàn)故障，需要有專業(yè)背景的技術人員 去現(xiàn)場確定或者根據(jù)采集的海量數(shù)據(jù)進行人工分析，兩種故障診斷方法均具有實時性差、 耗費人力和工作量大缺點。

【發(fā)明內(nèi)容】

[0004] 針對上述缺陷，本發(fā)明提供一種水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)裝備集群的故障診斷方法及系 統(tǒng)，該方法及系統(tǒng)解決了現(xiàn)有技術中實時性差、耗費人力和工作量大的缺點。
[0005] 該方法包括：
[0006]S1、獲取所述裝備集群的歷史故障數(shù)據(jù)；
[0007]S2、根據(jù)所述歷史故障數(shù)據(jù)，建立故障診斷網(wǎng)絡，
[0008] 其中，所述故障診斷網(wǎng)絡包括與所述裝備集群所發(fā)生的故障對應的故障節(jié)點、與 導致每一所述故障的誘因?qū)恼T因節(jié)點及與所述每一故障的故障特征對應的故障特征 節(jié)點，每一所述故障節(jié)點分別與對應的誘因節(jié)點、故障特征節(jié)點連接；
[0009]S3、獲取所述裝備集群的待診斷數(shù)據(jù)，并提取所述待診斷數(shù)據(jù)中的故障特征；
[0010] S4、在所述故障診斷網(wǎng)絡中查找與所述待診斷數(shù)據(jù)的每一故障特征對應的故障特 征節(jié)點及與該故障特征節(jié)點連接的故障節(jié)點；
[0011]S5、計算步驟S4中查找到的每一故障節(jié)點連接的誘因節(jié)點中，每一誘因節(jié)點對應 的誘因誘發(fā)該故障節(jié)點對應的故障的概率，將概率最大的誘因節(jié)點對應的誘因作為導致該 故障節(jié)點對應的故障的根本誘因。
[0012] 進一步地，所述步驟S3中提取所述待診斷數(shù)據(jù)中的故障特征，包括：
[0013] 針對所述故障診斷網(wǎng)絡中的每一故障特征節(jié)點，構造一個對應的支持向量機判決 函數(shù)；
[0014] 利用每一故障特征節(jié)點對應的支持向量機判決函數(shù)判斷所述待診斷數(shù)據(jù)中與該 故障特征節(jié)點對應的特征數(shù)據(jù)是否異常，
[0015] 若是，則該特征數(shù)據(jù)為故障特征數(shù)據(jù)，該特征數(shù)據(jù)代表的特征為故障特征。
[0016] 進一步地，所述第j個故障特征節(jié)點對應的支持向量機判決函數(shù)為：
[0017] Yj= <w, Data ^+b
[0018] 其中，Data_j為所述待診斷數(shù)據(jù)中與第j個故障特征節(jié)點對應的特征數(shù)據(jù)，y為判 決結果，-1表示該特征數(shù)據(jù)異常；y多1則表示該特征數(shù)據(jù)正常?！?、b均為常數(shù)。
[0019] 進一步地，步驟S5中第u個故障節(jié)點連接的第w個誘因節(jié)點對應的誘因誘發(fā)該第 u個故障節(jié)點對應的故障的概率采用以下公式計算：
[0021] 其中，.g為所述待診斷數(shù)據(jù)的故障特征對應的故障特征節(jié)點中與所述第U個故障 節(jié)點連接的故障特征節(jié)點的數(shù)據(jù)矩陣；
[0022] g,:為所述數(shù)據(jù)矩陣中第i個元素的值；
[0023]f為所述第w個誘因節(jié)點通過所述第U個故障節(jié)點對所述數(shù)據(jù)矩陣中每一元素的 支持率組成的權重矩陣；
[0024]n為所述待診斷數(shù)據(jù)的故障特征對應的故障特征節(jié)點中與所述第U個故障節(jié)點連 接的故障特征節(jié)點的個數(shù)。
[0025] 進一步地，該方法還包括：
[0026]S6、獲取所述裝備集群的現(xiàn)場診斷結果；
[0027]S7、根據(jù)所述現(xiàn)場診斷結果，確定所述待診斷數(shù)據(jù)的故障特征并非由步驟S4中查 找到的故障節(jié)點對應的故障導致或者由步驟S5中確定的根本誘因誘發(fā)，則對所述故障診 斷網(wǎng)絡進行修正。
[0028] 該系統(tǒng)包括：
[0029] 第一獲取模塊，用于獲取所述裝備集群的歷史故障數(shù)據(jù)；
[0030] 網(wǎng)絡建立模塊，用于根據(jù)所述歷史故障數(shù)據(jù)，建立故障診斷網(wǎng)絡，
[0031] 其中，所述故障診斷網(wǎng)絡包括與所述裝備集群所發(fā)生的故障對應的故障節(jié)點、與 導致每一所述故障的誘因?qū)恼T因節(jié)點及與所述每一故障的故障特征對應的故障特征 節(jié)點，每一所述故障節(jié)點分別與對應的誘因節(jié)點、故障特征節(jié)點連接；
[0032] 第二獲取模塊，用于獲取所述裝備集群的待診斷數(shù)據(jù)，并提取所述待診斷數(shù)據(jù)中 的故障特征；
[0033] 查找模塊，用于在所述故障診斷網(wǎng)絡中查找與所述待診斷數(shù)據(jù)的每一故障特征對 應的故障特征節(jié)點及與該故障特征節(jié)點連接的故障節(jié)點；
[0034] 計算模塊，用于計算所述查找模塊中查找到的每一故障節(jié)點連接的誘因節(jié)點中， 每一誘因節(jié)點對應的誘因誘發(fā)該故障節(jié)點對應的故障的概率，將概率最大的誘因節(jié)點對應 的誘因作為導致該故障節(jié)點對應的故障的根本誘因。
[0035] 進一步地，所第二獲取模塊包括：
[0036] 函數(shù)構造單元，用于針對所述故障診斷網(wǎng)絡中的每一故障特征節(jié)點，構造一個對 應的支持向量機判決函數(shù)；
[0037] 判斷單元，用于利用每一故障特征節(jié)點對應的支持向量機判決函數(shù)判斷所述待診 斷數(shù)據(jù)中與該故障特征節(jié)點對應的特征數(shù)據(jù)是否異常，
[0038] 若是，則該特征數(shù)據(jù)為故障特征數(shù)據(jù)，該特征數(shù)據(jù)代表的特征為故障特征。
[0039] 進一步地，所述函數(shù)構造單元中所述第j個故障特征節(jié)點對應的支持向量機判決 函數(shù)為：
[0040] Yj= <w, Data ^+b
[0041] 其中，Data_j為所述待診斷數(shù)據(jù)中與第j個故障特征節(jié)點對應的特征數(shù)據(jù)，y為判 決結果，若-1表示該特征數(shù)據(jù)異常；若h多1則表示該特征數(shù)據(jù)正常。w、b均為常 數(shù)。
[0042] 進一步地，所述計算模塊采用以下公式計算第U個故障節(jié)點連接的第w個誘因節(jié) 點對應的誘因誘發(fā)該第u個故障節(jié)點對應的故障的概率：
[0044] 其中，P為所述待診斷數(shù)據(jù)的故障特征對應的故障特征節(jié)點中與所述第U個故障 節(jié)點連接的故障特征節(jié)點的數(shù)據(jù)矩陣；
[0045] &為所述數(shù)據(jù)矩陣中第i個元素的值；
[0046]f為所述第w個誘因節(jié)點通過所述第U個故障節(jié)點對所述數(shù)據(jù)矩陣中每一元素的 支持率組成的權重矩陣；
[0047]n為所述待診斷數(shù)據(jù)的故障特征對應的故障特征節(jié)點中與所述第U個故障節(jié)點連 接的故障特征節(jié)點的個數(shù)。
[0048] 進一步地，該系統(tǒng)還包括：
[0049] 第三獲取模塊，用于獲取所述裝備集群的現(xiàn)場診斷結果；
[0050] 修正模塊，用于根據(jù)所述現(xiàn)場診斷結果，確定所述待診斷數(shù)據(jù)的故障特征并非由 所述查找模塊中查找到的故障節(jié)點對應的故障導致或者由所述計算模塊中確定的根本誘 因誘發(fā)，則對所述故障診斷網(wǎng)絡進行修正。
[0051] 本發(fā)明首先通過對歷史故障數(shù)據(jù)進行分析，建立故障診斷網(wǎng)絡；然后確定待診斷 數(shù)據(jù)的故障特征；最后在故障診斷網(wǎng)絡中搜索與該故障特征對應的故障特征節(jié)點連接的故 障節(jié)點，確定每一故障節(jié)點連接的誘因節(jié)點中誘發(fā)該故障節(jié)點對應的故障的概率最大的誘 發(fā)節(jié)點，將該誘因節(jié)點作為該故障節(jié)點的根本誘因，至此便可得到待診斷數(shù)據(jù)可能發(fā)生每 一種故障的根本誘因。本發(fā)明不需要有專業(yè)背景的技術人員去現(xiàn)場確定，也不用根據(jù)采集 的海量數(shù)據(jù)進行人工分析，因此避免了這兩種方法所具有的實時性差、耗費人力和工作量 大的缺點。
【附圖說明】
[0052] 通過參考附圖會更加清楚的理解本發(fā)明的特征信息和優(yōu)點，附圖是示意性的而不 應理解為對本發(fā)明進行任何限制，在附圖中：
[0053]圖1示出了根據(jù)本發(fā)明水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)裝備集群的故障診斷方法的流程示意圖